一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法与流程

本发明涉及车辆智能驾驶和主动安全技术领域，尤其涉及一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法。

背景技术：

智能交通系统是现今交通系统的一个发展方向，因此，对于智能交通系统的安全技术显得至关重要，其中在交通行驶过程中，人的因素更是格外重要，在交通系统各要素中，具有主观能动性的驾驶员是交通系统运行的直接参与者和决策者，其决策的合理性和行为的正确性是交通系统安全、高效运行的关键。

从人因工程学角度充分理解汽车驾驶员的情感、思维、行为方式，将情感智能植入先进的安全驾驶辅助系统、智能汽车，利用智能技术对驾驶情感和行为进行合理引导和管控，是提高交通系统安全性和智能性的关键所在，也是智能交通系统研究的核心内容。实现汽车驾驶员情感动态辨识是开发汽车安全驾驶辅助系统情感智能的前提。

以往驾驶员情感方面的研究主要侧重于相对静态条件下的驾驶情感辨识，未考虑驾驶情感在时变人-车-路-环境条件下的演化规律。另外，面部表情、人体姿态、语音情绪识别相对直观，但易受主观因素影响，如被测者通过控制表情、动作、语音等掩饰自身真实情绪；生理信号情绪识别客观、准确率高，但实施过程对被测者具有较强的侵入性，上述情绪识别方法在成本控制、推广普及等方面面临诸多难点，难以在不影响驾驶员正常驾驶的情况下对其进行情感辨识并应用于汽车安全驾驶辅助系统。

因此，亟需提供一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法。

技术实现要素：

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明提供一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法，包括以下步骤：

步骤s1：在跟驰状态下，基于两个车辆中后车驾驶员的基本参数、动态参数和后车的运动参数，筛选出适合用于因子分析法的原始特征参数；

步骤s2：利用因子分析法对原始特征参数进行处理，构建用于判断后车驾驶员情感的公共特征向量；

步骤s3：根据公共特征向量，基于pad情感模型和模糊综合评价算法，获取模糊综合评价最终结果，模糊整合评价最终结果包括：后者驾驶员情感状态与预设的多种基本情感的匹配值；

步骤s4：将模糊综合评价最终结果转化为唤醒值，将大于预设阈值的唤醒值所对应的情感作为辨识后的所述后车驾驶员的主情感。

进一步地，步骤s1中基本参数包括：性别s，年龄a，驾龄da；

动态参数包括：驾驶倾向性t、方向盘转向力度sn、油门踏板平均深度ta、制动踏板平均深度tb、后车车辆加速度干扰σ1、加速力度na、加速频率fa、制动力度nb、制动频率fb、加速度干扰σ2；

运动参数包括：前车速度v2、后车与前车相对速度vr、瞬时车间时距hw、后车速度与驾驶员期望车速差的绝对值|vl-ve|、前后车相对距离与后车驾驶员期望车间距绝对值的差值|d-de|；

其中，两个车辆中，按照运动方向，在运动方向前方的称作前车，运动方向后方的称作后车。

进一步地，步骤s1中在筛选时包括：通过对基本参数、动态参数和后车的运动参数计算相关系数，确认是否适合作因子分析，适合作因子分析依据是计算得到的简单相关系数大于0.3，将上述筛选后的作为判断后车驾驶员情感的原始特征参数。

进一步地，步骤s2包括以下步骤：

步骤s21：利用min-max标准化方法将步骤s1最后得到的适合做因子分析的原始特征参数标准化，得到原始特征参数的标准化数据；

步骤s22：通过因子分析法求出标准化数据的相关系数矩阵；

步骤s23：求出相关系数矩阵的特征值和特征向量；

步骤s24：令每个特征向量的分量和为正，并根据特征值求出因子荷载矩阵，并计算出标准化后的原始特征参数各参数的方差贡献率与累积方差贡献率；

步骤s25：对因子荷载矩阵进行因子旋转，得到旋转后的因子矩阵；

步骤s26：在旋转因子矩阵中，选取累积方差贡献率不低于80％的前m个因子构建驾驶情感公共特征向量；

最终选取的累积方差贡献率不低于80％的因子为瞬时车间时距hw，油门踏板平均深度ta，驾驶倾向性t，方向盘转向力度sn，制动力度nb，后车车辆加速度干扰σ1，构建的驾驶情感的公共特征向量为u＝{hw，ta，t，sn，nb，σ1}。

进一步地，步骤s3包括以下步骤：

步骤s31：将驾驶情感的公共特征向量作为评价因素集，并获取评价因素集中每一个评价因素的权重；

步骤s32：确定每一个评价因素集中各评价因素对模糊评价集各等级的隶属度，并基于隶属度，获取模糊综合评价最终结果。

进一步地，步骤s31包括以下步骤：

步骤s311：将驾驶情感的公共特征向量作为模糊评价因素集，并将pad模型的三个维度分量作为模糊辨识模型的愉悦度评价集p、激活度评价集a、优势度评价集d，并且对每个评价集都划分为5个不同程度的等级；

具体地，以愉悦度评价集p为例说明，将愉悦度评价集p划分为很低(vp1)、低(vp2)、居中(vp3)、高(vp4)、很高(vp5)五个等级，构成愉悦度评价集vp＝{vp1，vp2，vp3，vp4，vp5}，将5个等级投影到数轴上，按照每个等级尺度为0.4在[-1，1]上进行划分，相应取值分别为vp1∈[-1，-0.6)、vp2∈[-0.6，-0.2)、vp3∈[-0.2，0.2)、vp4∈[0.2，0.6)、vp5∈[0.6，1]，同理可得激活度评价集va＝{va1，va2，va3，va4，va5}和优势度评价集vd＝{vd1，vd2，vd3，vd4，vd5}；

步骤s312：获取评价因素集中每一个评价因素的权重，得到模糊权矢量，包括以下步骤：

步骤s3121:构建优先关系矩阵f＝(fij)6×6，

其中，f(i)和f(j)分别表示情感公共特征向量中一个分量，g(i)和g(j)分别表示指标f(i)和f(j)的相对优先程度，g(i)和g(j)由因子分析计算中f(i)和f(j)方差贡献率确定；

s3122:将优先关系矩阵改造成模糊一致矩阵：

若优先关系矩阵f＝(fij)n×n满足fij＝fik-fjk+0.5，则称其为模糊一致矩阵，反之则需要将其改造成模糊一致矩阵，改造方法为：对f按行求和，记为：

而后作行变换，可得模糊一致矩阵r：

s3123:权重计算，具体为：

对模糊一致矩阵r每行元素进行求和：

除去对角线元素r中其它所有元素求和：

li表示指标i相对于上层目标的重要程度，对li归一化处理可得各指标权重：

根据计算得到的权重值组成模糊权矢量α＝(α1，α2，...，αi)。

进一步地，步骤s32包括以下步骤：

s321：求出模糊评价因素集中各因素对三个评价集各等级的隶属度，其中，对模糊评价因素集中的驾驶倾向性t，运用专家打分法得到驾驶倾向性t对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度，对于模糊评价集中的hw、ta、sn、nb、σ1，运用数理统计方法来确定hw、ta、sn、nb、σ1对愉悦度评价集p、激活度评价集a、优势度评价集d三个评价集各等级的隶属度；

s322：通过模糊合成算子将模糊关系矩阵和权重矢量合成得到各评价对象的模糊评价结果；

具体地，对于模糊评价集中的hw、ta、sn、nb、σ1，运用数理统计方法来确定其对愉悦度评价集p、激活度评价集a、优势度评价集d三个评价集各等级的隶属度，以制动力度因素nb对愉悦度评价集p的各等级的隶属度说明：

首先确定因素集每个因素的类中心点，

其中，xje表示愉悦度j等级的踏板力数据，q表示第j等级包含的数据量；

然后确定各等级隶属度，对任意踏板力数据x，分别求其与各等级类中心点的距离：

dj＝|x-mj|,j＝1,2,…5(7)

x对评价集各等级的隶属度与dj的倒数成正比，对dj的倒数进行归一化处理：

式中：qj即为踏板力数据x对愉悦度各等级的隶属度；

根据上述方法，能够求得制动力度nb对激活度评价集a和优势度评价集d各等级的隶属度，再进而求出hw、ta、sn、σ1对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度；

在确定因素集、评价集及评价集的等级后，要分别确定因素集中每个因素对评价集五个等级的隶属度，进而得到模糊关系矩阵：

式中：rij表示某个评价对象的单因素ui对评价集j等级的隶属度，且

具体地，步骤s322包括：

通过模糊合成算子将模糊权矢量α与模糊关系矩阵r合成得到各评价对象的模糊评价结果b。综合模糊评价模型为：

上式(11)是对式(10)的计算补充，即模糊权矢量α的第i个值与r中第i行元素相乘求和后与1比较取最小值作为bj的取值；

如此得到的模糊评价结果b即为因素集中所有因素对愉悦度评价集p五个等级的评价值，通过比较选取数值最大的评价值所对应的等级为愉悦度评价集p的确定等级vpj，同理，通过上述方法分别求得评价对象即因素集中所有因素对激活度评价集a和优势度评价集d各等级的隶属度的模糊评价结果并根据结果确定出激活度评价集a的等级vaj和优势度评价集d的等级vdj；

根据确定的等级，构造出的情感状态向量为：

e＝(vpj,vaj,vdj)，j＝1,2,…,m(12)

其中vpj，vaj，vdj分别表示情感愉悦度、激活度、优势度的等级。

进一步地，步骤s4包括以下步骤：

步骤s41：将评价集及评价集划分好的五个等级投影到pad模型三维空间中，定义情感基元；

具体地，将评价集及评价集划分好的五个等级投影到pad模型三维空间中，即将pad模型三维空间可视为边长为2的正方体的pad模型论域，并将pad模型论域平均分为5³个边长为0.4的小正方体，定义每个小正方体为一个情感基元，其中心点为元心，每个情感基元代表一种情感状态，在情感空间中，高兴、愤怒、悲伤、恐惧这四种基本情感基元的元心对应的坐标取值分别为(0.40，0.20，0.15)、(-0.51，0.59，0.25)、(-0.40，0.20，0.50)、(-0.64，0.60，-0.43)；

将公式(12)确定好的pad三个维度的等级在pad模型三维空间里面进行查找确定，找到其对应的情感基元即对应的小正方体，根据情感基元的元心，求出其对每一个基本情感的欧式距离，对某一基本情感的欧式距离越小，表明对该基本情感的贴进度越高，反之距离越大，贴进度越低；

步骤s42：将步骤s41得到对某一基本情感的欧式距离转化为对某一基本情感的唤醒程度，最终根据唤醒程度的预定阈值确认出最终驾驶员的主情感；具体地，包括以下步骤：步骤s421：通过构造情感状态向量s＝(sh，sa，sg，sf)直观说明情感基元所代表的情感状态，其中sh，sa，sg，sf分别表示高兴、愤怒、悲伤、恐惧四种基本情感的唤醒程度，其取值范围在[0，1]之间，取值越大情感唤醒度越高，反之越低；

步骤s422：对情感状态向量中各分量值进行求解，通过下式(13)进行求解：

式中：dmax为整个论域范围内与所求的对应基本情感坐标的最大距离；

dmin为整个论域范围内与所求的对应基本情感坐标的最小距离；

dr为任意情感基元的元心与所求的对应基本情感坐标的距离；

根据上式分别计算出四种基本情感的唤醒程度数值，得到情感状态向量s＝(sh，sa，sg，sf)，将情感状态向量四个情感状态分量中取值最大且大于预定阈值的分量所代表的情感确定为主情感，最终将确定的主情感输出；

进一步地，步骤s4中预定阈值为0.8，从所述情感状态向量中四个分量中选取数值最大且大于0.8的决定分量，则称所述决定分量代表的情感为主情感。

(三)有益效果

本发明的有益效果是：本发明的车辆跟驰状态驾驶员情感动态特征提取及辨识方法，能够在不影响驾驶员正常驾驶的情况下，实现对驾驶员基于高兴、愤怒、悲伤和恐惧四种基本情感的驾驶情感准确辨识，并能够将这一辨识方法应用于汽车安全驾驶辅助系统，对于开发个性化、人性化并具有情感智能的汽车安全驾驶辅助系统以及智能汽车的发展具有重要意义。

附图说明

图1为本发明的基于因子分析法、模糊综合评价法和pad情感模型的驾驶员情感动态特征提取及辨识流程图；

图2为本发明的不同情感状态下驾驶情感公共特征向量各因子信息含量碎石图；

图3为本发明的pad情感模型三维状态空间及四种基本情感空间分布。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明提供一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法，包括以下步骤：

步骤s1：基于两个车辆中后车驾驶员的基本参数、动态参数和后车的运动参数，筛选出适合用于因子分析法的原始特征参数；

步骤s2：利用因子分析法对所述原始特征参数进行处理，构建用于判断后车驾驶员情感的公共特征向量；

步骤s3：根据所述公共特征向量，基于pad情感模型和模糊综合评价算法，获取模糊综合评价最终结果，所述模糊整合评价最终结果包括：所述后者驾驶员情感状态与预设的多种基本情感的匹配值；

步骤s4：将所述模糊综合评价最终结果中大于预设阈值的作为辨识后的所述后车驾驶员的主情感。

具体地，本发明的实施步骤如图1所示，图1是基于因子分析法、模糊综合评价法和pad情感模型的驾驶员情感动态特征提取及辨识流程图，整体上介绍了本发明的主体思路。

即首先从驾驶情感原始特征参数中提取高兴、愤怒、悲伤、恐惧四种基本情感的驾驶情感公共特征向量，将驾驶情感公共特征向量作为驾驶情感辨识模型的因素集；然后将pad情感模型中的愉悦度p、激活度a和优势度d三个维度作为模糊综合评价模型的评价集，并分别将三个维度评价集划分为五个等级，并以此根据模糊综合评价算法求出驾驶员情感愉悦度p、激活度a和优势度d的评价结果；最后根据驾驶员情感愉悦度p、激活度a和优势度d的评价结果确定在pad情感模型三维状态空间中所对应的情感基元，从而确定汽车驾驶员情感状态与四种基本情感的唤醒程度并构造情绪特征向量，最终输出驾驶员情感结果。

进一步具体地，步骤s1中步骤s1中所述基本参数包括：性别s，年龄a，驾龄da；

所述动态参数包括：驾驶倾向性t、方向盘转向力度sn、油门踏板平均深度ta、制动踏板平均深度tb、后车车辆加速度干扰、加速力度、加速频率、制动力度、制动频率、加速度干扰；

所述运动参数包括：前车速度、后车与前车相对速度、瞬时车间时距、后车速度与驾驶员期望车速差的绝对值、前后车相对距离与后车驾驶员期望车间距绝对值的差值；

其中，两个车辆中，按照运动方向，在运动方向前方的称作前车，运动方向后方的称作后车。

进一步地，步骤s1中采用因子分析法对后车驾驶员的基本参数、动态参数和后车的运动参数进行筛选，构建后车驾驶员情感的公共特征向量，筛选时，对所述基本参数、动态参数和后车的运动参数计算相关系数，确认是否适合作因子分析，适合作因子分析依据是计算得到的简单相关系数大于0.3，将上述筛选后的适合作因子分析的原变量作为判断后车驾驶员情感的原始特征参数。

具体包括以下步骤：

步骤s101：通过计算相关系数确认待分析的原变量是否适合作因子分析；

进一步地，通过计算相关系数确认待分析的原变量是否适合作因子分析，原变量适合作因子分析依据是驾驶情感原始特征参数之间简单相关系数大于0.3。

步骤s2构建用于判断后车驾驶员情感的公共特征向量包含如下步骤：

步骤s21：利用min-max标准化方法将步骤s1最后得到的适合做因子分析的原始特征参数标准化，得到原始特征参数的标准化数据；

步骤s22：通过因子分析法求出标准化数据的相关系数矩阵；

步骤s23：求出相关系数矩阵的特征值和特征向量；

步骤s24：令每个特征向量的分量和为正，并根据特征值求出因子荷载矩阵，并计算出标准化后的原始特征参数各参数的方差贡献率与累积方差贡献率，具体地，根据得到的特征值绘制出原始特征参数的信息含量碎石图如图2所示；

步骤s25：对因子荷载矩阵进行因子旋转，得到旋转后的因子矩阵；

步骤s26：在旋转因子矩阵中，选取累积方差贡献率(即包含的数据信息总量)不低于80％的前m个因子构建驾驶情感公共特征向量，最终选取的累积方差贡献率不低于80％的因子为瞬时车间时距hw，油门踏板平均深度ta，驾驶倾向性t，方向盘转向力度sn，制动力度nb，后车车辆加速度干扰σ1。

进一步地，驾驶情感公共特征向量是由高兴、愤怒、悲伤、恐惧四种驾驶情感特征向量中所有特征参数构成的向量。根据上述方法，最终获得的关于高兴、愤怒、悲伤和恐惧四种情感的驾驶情感的公共特征向量为u＝{hw，ta，t，sn，nb，σ1}。

具体地，利用因子分析法确定的hw、ta、t、sn、nb、σ1信息含量碎石图如图2所示，图2中横轴x代表各因子成分的序号，纵轴y代表各因子成分对应的特征值，图2表明驾驶情感原始特征参数中对应特征值大即包含的绝大部分情感信息由前6个因子表示，结合因子分析法中的旋转因子矩阵可以确定这前6个因子分别是hw、ta、t、sn、nb、σ1，表1是利用具有kaiser标准化正交旋转方法对因子载荷矩阵旋转的结果。

表1旋转后的因子矩阵

由表1可知，在与四种情感相关的旋转成分矩阵中，hw在主因子1上张开最大权重投影(97.4％)；对于公因子2，ta在因子空间中的权重最大(97.9％)；对于公因子3，t在因子空间中具有最大权重(93.8％)；sn在最大程度上(94.2％)体现公因子4的信息；对于公因子5，nb在因子空间中张开最大权重投影(86.2％)；σ1在最大程度上(93.7％)体现公因子6的信息。综上所述，hw、ta、t、sn、nb、σ1共同组成驾驶员四种基本情感的特征组合即驾驶情感公共特征向量。

具体地，步骤s3中所述公共特征向量，通过模糊综合评价算法对因素集中每个因素进行评价，分别得出驾驶员情感愉悦度、激活度和优势度模糊评价结果，具体包括以下步骤：

步骤s31：将驾驶情感的公共特征向量作为评价因素集，并获取评价因素集中每一个评价因素的权重；

步骤s32：确定每一个评价因素集中各评价因素对模糊评价集各等级的隶属度，并基于所述隶属度，获取模糊综合评价最终结果。

进一步地，步骤s31具体包括以下步骤：

s311：构建评价集；

s312：计算因素集中各因素的权重，得到模糊权矢量；

具体地，步骤s311中将驾驶情感公共特征向量作为模糊评价因素集，并构造模糊评价集，具体地，将pad模型的三个维度分量作为模糊评价集即愉悦度评价集p、激活度评价集a和优势度评价集d，并分别将三个评价集划分为五个等级，具体地，以愉悦度评价集p为例说明，将其划分为很低(vp1)、低(vp2)、居中(vp3)、高(vp4)、很高(vp5)五个等级，构成愉悦度评价集vp＝{vp1，vp2，vp3，vp4，vp5}，将5个等级投影到数轴上，按照每个等级尺度为0.4在[-1，1]上进行划分，相应取值分别为vp1∈[-1，-0.6)、vp2∈[-0.6，-0.2)、vp3∈[-0.2，0.2)、vp4∈[0.2，0.6)、vp5∈[0.6，1]，同理可得激活度评价集va＝{va1，va2，va3，va4，va5}，其中，va1∈[-1，-0.6)，va2∈[-0.6，-0.2)、va3∈[-0.2，0.2)、va4∈[0.2，0.6)、va5∈[0.6，1]和优势度评价集vd＝{vd1，vd2，vd3，vd4，vd5}，其中，vd1∈[-1，-0.6)，vd2∈[-0.6，-0.2)、vd3∈[-0.2，0.2)、vd4∈[0.2，0.6)、vd5∈[0.6，1]。

具体地，步骤s312包括以下步骤：

步骤s3121：构建优先关系矩阵f＝(fij)6×6，

其中，f(i)和f(j)分别表示情感公共特征向量中一个分量，g(i)和g(j)分别表示指标f(i)和f(j)的相对优先程度，g(i)和g(j)由因子分析计算中f(i)和f(j)方差贡献率确定；

s3122：将优先关系矩阵改造成模糊一致矩阵：

若优先关系矩阵f＝(fij)n×n满足fij＝fik-fjk+0.5，则称其为模糊一致矩阵，反之则需要将其改造成模糊一致矩阵。改造方法为：对f按行求和，记为：

而后作行变换，可得模糊一致矩阵r：

s3123：权重计算，具体为：

对模糊一致矩阵r每行元素(不包含自身比较结果)进行求和：

除去对角线元素r中其它所有元素求和：

li表示指标i相对于上层目标的重要程度，对其归一化处理可得各指标权重。

根据计算得到的权重值组成模糊权矢量α＝(α1，α2，...，αi)，具体地，这里的i＝1，2，...，6。

步骤s32具体包括以下步骤：

步骤s321：求出模糊评价因素集中各因素对三个评价集各等级的隶属度，其中，对模糊评价因素集中的t，运用专家打分法得到其对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度；对于模糊因素集中的因素hw、ta、sn、nb、σ1，运用数理统计方法来确定hw、ta、sn、nb、σ1对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度，并根据隶属度得到模糊关系矩阵。

步骤s322：通过模糊合成算子将模糊关系矩阵和权重矢量合成得到各评价对象的模糊评价结果。

具体地，步骤s321如下：

根据不同驾驶倾向性t驾驶员的情感特性，利用专家打分法确定其对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度，如表2所示，其中in、md、ex分别表示内倾、中倾、外倾型驾驶员。

表2驾驶倾向性类型的隶属度

对于模糊因素集中的因素hw、ta、sn、nb、σ1运用数理统计方法计算隶属度时，以制动力度nb对愉悦度评价集p各等级的隶属度的确定为例，说明各因素对评价等级隶属度的确定方法。

首先确定因素集每个因素的类中心点，

其中，xje表示愉悦度j等级的踏板力数据，q表示第j等级包含的数据量。根据上述方法，求得愉悦度、激活度、优势度各等级的hw、ta、sn、nb、σ1中心点数据如表3所示。

表3评价集各等级所对应的评价指标中心点数据

然后确定各等级隶属度，对任意踏板力数据x，分别求其与各等级类中心点的距离：

dj＝|x-mj|,j＝1,2,…5(7)

x对评价集各等级的隶属度与dj的倒数成正比，对dj的倒数进行归一化处理：

式中：qj即为踏板力数据x对愉悦度各等级的隶属度。

根据上述方法，能够求得制动力度nb对激活度评价集a和优势度评价集d各等级的隶属度，再进而求出hw、ta、sn、σ1对愉悦度评价集p、激活度评价集a和优势度评价集d三个评价集各等级的隶属度。

进一步地，在确定因素集、评价集及等级模糊子集后，根据上述得到的隶属度进而得到模糊关系矩阵：

式中：rij表示某个评价对象的单因素ui对评价集j等级的隶属度，且

具体地，步骤s322过程如下：

通过模糊合成算子将模糊权矢量α与模糊关系矩阵r合成得到各评价对象的模糊评价结果b，其中模糊评价结果b为：

上式(11)是对式(10)的计算补充，即模糊权矢量α的第i个值与r中第i行元素相乘求和后与1比较取最小值作为bj的取值，然后根据得到的模糊评价结果b中即对应评价集各个等级的指标，选取数值最大的指标所对应的等级为该评价集所确定的等级。

如此得到的模糊评价结果b即为因素集中所有因素对愉悦度评价集p五个等级的评价值，通过比较选取数值最大的评价值所对应的等级为愉悦度评价集p的确定等级vpj，同理，通过上述方法分别求得评价对象即因素集中所有因素对激活度评价集a和优势度评价集d各等级的隶属度的模糊评价结果并根据结果确定出激活度评价集a的等级vaj和优势度评价集d的等级vdj。

根据模糊评价结果确定的对于pad三个维度评价的等级，构造驾驶员情感状态向量为：

e＝(vpj,vaj,vdj)，j＝1,2,…,m(12)

其中vpj，vaj，vdj分别表示情感愉悦度、激活度、优势度的等级。

具体地，步骤s4包括：

步骤s41：将评价集及评价集划分好的五个等级投影到pad模型三维空间中，定义情感基元；

步骤s42：根据步骤s3得到的情感状态向量在划分好的pad模型三维空间中找到对应的情感基元，并根据对应的情感基元的位置计算出元心与高兴、愤怒、悲伤、恐惧情感坐标的欧式距离，并将欧式距离转化为唤醒程度，最终根据唤醒程度的预定阈值确认出最终驾驶员的主情感。

具体地，步骤s41中，将评价集及其划分好的五个等级投影到pad模型三维空间中时，如图3所示，即将pad模型三维空间视为边长为2的正方体的pad模型论域，并将pad模型论域平均分为5³个边长为0.4的小正方体，定义每个小正方体为一个情感基元，其中心点为元心，每个情感基元代表一种情感状态。

其中，高兴、愤怒、悲伤、恐惧是人类四种最基本的情感，因此这四种基本情感在pad模型三维情感空间中的位置是固定的，这四种基本情感即高兴、愤怒、悲伤和恐惧对应的情感基元的元心坐标取值分别为(0.40，0.20,0.15)、(-0.51,0.59,0.25)、(-0.40,0.20,0.50)、(-0.64,0.60，-0.43)；这里将公式(12)确定好的pad三个维度的等级在pad模型三维空间里面进行查找确定，找到其对应的情感基元即对应的小正方体，根据情感基元的元心，求出其对每一个基本情感的欧式距离，对某一基本情感的欧式距离越小，表明对该基本情感的贴进度越高，反之距离越大，贴进度越低。

具体地，步骤s42中将步骤s41得到对某一基本情感的欧式距离转化为对某一基本情感的唤醒程度，具体如下：

步骤s421：通过构造情感状态向量s＝(sh，sa，sg，sf)直观说明情感基元所代表的情感状态，其中sh，sa，sg，sf分别表示高兴、愤怒、悲伤、恐惧四种基本情感的唤醒程度，其取值范围在[0，1]之间，取值越大情感唤醒度越高，反之越低；

步骤s422：对情感状态向量中各分量值进行求解，通过下式(13)进行求解：

式中：dmax为整个论域范围内与所求的对应基本情感坐标(如所求的为高兴情感，则为高兴情感元心的坐标)的最大距离；

dmin为整个论域范围内与所求的对应基本情感坐标的最小距离；

dr为任意情感基元的元心与所求的对应基本情感坐标的距离；

根据上式分别计算出四种基本情感的唤醒程度数值，得到情感状态向量s＝(sh，sa，sg，sf)，将情感状态向量四个情感状态分量中取值最大且大于0.8的分量所代表的情感确定为主情感，最终将确定的主情感输出。

需要注意的是，dmax为整个论域空间中离高兴情感情感基元对应的小方块距离最远的情感基元对应的小方块二者元心间的距离，为定值，相反的，dmin为最小值，也为定值。

为更好地说明，现以高兴情感为例，说明情感状态向量各分量的求解方法。设在整个论域范围内存在某情感基元，其元心(x1，y1，z1)与高兴情感对应的情感基元的元心的距离在整个论域范围内最大，将此最大距离记为dmax；论域内亦存在某一情感基元，其元心(x2，y2，z2)与高兴情感对应的情感基元的元心的距离在整个论域范围内最小，记为dmin，取任一代求的情感基元如步骤s3确定的情感基元，其元心与高兴情感坐标的距离为dr，将以上数据带入式(13)，则该代求的情感基元的高兴情绪唤醒程度sh为：

同理可得sa、sg、sf，进而得到情感状态向量s＝(sh，sa，sg，sf)，情感状态向量四个情感状态分量中取值最大且大于0.8，则称该取值最大且大于0.8的情感状态分量所代表的情感为主情感。

本发明的车辆跟驰状态驾驶员情感动态特征提取及辨识方法，能够在不影响驾驶员正常驾驶的情况下，实现对驾驶员基于高兴、愤怒、悲伤和恐惧四种基本情感的驾驶情感准确辨识，并能够将这一辨识方法应用于汽车安全驾驶辅助系统，对于开发个性化、人性化并具有情感智能的汽车安全驾驶辅助系统以及智能汽车的发展具有重要意义。

需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。